CN115544879B 基于改进Stacking算法预测地面合成电场的方法 （三峡大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115544879B(45)授权公告日2025.07.08

(21)申请号202211214405.6

(22)申请日2022.09.30

(65)同一申请的已公布的文献号申请公布号CN115544879A

(43)申请公布日2022.12.30

(73)专利权人三峡大学

地址443002湖北省宜昌市西陵区大学路8

号

(72)发明人李振华徐艳春张文婷

吴慕聪黄悦华李振兴杨楠邾玢鑫张磊

程紫熠唐轩

(74)专利代理机构宜昌市三峡专利事务所

42103

专利代理师吴思高

(51)Int.CI.

GO6F30/27(2020.01)

GO6F17/18(2006.01)

GO6Q10/04(2023.01)

GO6Q10/0637(2023.01)

GO6Q50/06(2024.01)

GO6N20/00(2019.01)

(56)对比文件

李振华.基于Stacking算法的特高压直流输电线路合成电场预测方法研究.《电工电能新技术》.2023,第42卷(第06期),88-96.

审查员何永海

权利要求书2页说明书7页附图4页

(54)发明名称

基于改进Stacking算法预测地面合成电场

的方法

(57)摘要

CN115544879B基于改进Stacking算法预测地面合成电场的方法，包括以下步骤：获取样本数据，包括地面合成电场数据、气象数据；对获得的样本数据进行预处理，包括异常值检测与归一化处理；使用五折交叉验证法对已经处理好的样本数据进行预测建模，使用改进的Stacking算法预测模型进行合成电场预测。使用均方误差MSE,均方根误差RMSE,平均绝对误差MAE来评估改进的Stacking算法预测模型性能。本发明方法采用预测精度较高的机器学习算法作为基学习器，相较于传统合

CN115544879B

获取合成电场数据及气象数据

获取合成电场数据及气象数据

数据预处理

异常值

处理

Stacking算法

RandomForest

GBDT

LightGBM

XGBoost

KNN

基学习器

地面合成

电场预测

五折交叉验证

标准化处理

线性回归

元学习器

CN115544879B权利要求书1/2页

2

1.基于改进Stacking算法预测地面合成电场的方法，其特征在于包括以下步骤：

步骤1:获取样本数据，包括地面合成电场数据、气象数据；

步骤2:对步骤1获得的样本数据进行预处理，包括异常值检测与归一化处理；

步骤3:使用五折交叉验证法对步骤2已经处理好的样本数据进行预测建模，得到改进的Stacking算法预测模型；

步骤4:使用步骤3改进的Stacking算法预测模型进行合成电场预测；

所述步骤3包括以下步骤：

S3.1:对初始数据进行归一化处理后，得到数据集G={(y,x;);i=1,2,…M},x:i个样本特征向量，y为第i个样本对应的输出值；M为采集的合成电场样本数量；

S3.2:将数据集G划分为训练集Gtrain和测试集Gtest,其中，训练集样本数量为N,测试集样本数量为M-N,对训练集Gtrain使用五折交叉验证方式来训练第一层的基学习器：将Gtrain平均分成五份得到Gtrain、Gtrain?、Gtrains、Gtrain4、Gtrain?,将其分别作为不同基学习器的测试集和训练集；

依次选择其中的一折作为测试集，剩余的四折作为训练集，五次训练过程中基学习器H,k=1,…,K的预测结果表示为zkn,k表示第一层基学习器的序号，K表示第一层基学习器的数量；

最终K个基学习器的输出结果与Gtrain中的y。组成第二层元学习器使用的新训练集：Gtrain-new={(yn,z1n,…,zk);n=1,…,N,k=1,…,K};

其中：n表示训练集中样本序号，N表示训练集样本数量；y。表示n个样本对应的预测值；Z1n,…,zn表示K个基学习器根据N个样本预测的得出的新的合成电场数据；

S3.3:在S3.2五折交叉验证过程中，每一折交叉验证都会训练一次基学习器H,通过每次训练好的基学习器